過学習とデータリークは何が違うのか？CVが良すぎるときに疑うべきこと
Qiita / 2026/3/29
💬 オピニオンIdeas & Deep AnalysisTools & Practical Usage
要点
- 過学習は「学習データに対して過剰に適合してしまい、汎化性能が落ちる現象」で、主にモデルの複雑さと学習/検証の設計に起因します。
- データリークは「本来は将来情報として使えないはずの情報が学習時に混ざり、見かけ上のCV（検証スコア）が不当に高くなる現象」です。
- CVが良すぎる場合は、単なる過学習ではなく、分割方法（時系列/グループ）、前処理のやり方、特徴量作成の手順などでリークが起きていないかを疑うべきだと示します。
- それぞれの違いは“なぜスコアが良いのか”の原因にあり、検証方法とデータ取り扱いの点検によって切り分けられることがポイントです。
- scikit-learn/Python前提で、初心者が再現性ある評価設計（適切な分割や検証）を身につけることを重視した内容です。
機械学習を学び始めると、過学習とデータリークがごちゃごちゃになりやすいです。
どちらも「学習時はうまくいっているように見えるのに、本番では外れる」という意味では似ています。
でも、原因はまったく違います。
この記事では、ダミーデータを使って
過学習とは何か
データリークと...
この記事の続きは原文サイトでお読みいただけます。
原文を読む →
